台湾学者W.L.Gau和D.J.Buehrer于1993年提出的Vague集理论是对Fuzzy集理论的推广。与Fuzzy集相比较,Vague集能更好、更准确地表达内容更为丰富的模糊性信息,成为智能信息处理的新工具。本论文对Vague集的基本理论及其在智能决策、模式识别等领域的应用进行了比较深入的研究。首先在介绍现有的Vague集理论和Fuzzy集理论的基础上,本文对当前Vague集的模糊熵的构造方法进行了分析,提出了合符直觉的Vague集的模糊熵。相似度量是一种在数据处理和分析中十分重要的、有效的和广泛使用的方法。在分析各种相似度量定义的基础上,提出了一种考虑各种相似准则的相似度量定义,利用真隶属度差距、假隶属度差距、未知度差距以及Vague值的核差距,引入一种新的相似度量主要计算方法,弥补了已有的相似度量的不足,并用实例介绍了它在智能决策中的应用。为了更加有效地进行模糊决策,全面考虑各目标条件对候选方案集的影响,将灰色关联分析引入到基于Vague集的多目标模糊决策中,通过分析方案集与理想集之间的关联度,从而得出最优方案,使评价结果更全面、更客观,所得结果更准确。借鉴灰色关联分析法建立Vague相似关系矩阵,并在此基础上进行Vague聚类分析。该方法充分利用Vague集的特点,可从肯定、否定和未知度等多维度进行聚类分析,为Vague集在模式识别、智能信息处理中的应用,提供了有力的工具。